单位向量的定义和举例说明

单位向量是指长度为 1 的向量。在数学中,单位向量通常用于表示方向,因为它只有方向信息,而没有大小信息。

单位向量的定义:

一个向量 v \mathbf{v} v 被称为单位向量 ,如果它的**模(长度)**等于 1,即:
∥ v ∥ = 1 \|\mathbf{v}\| = 1 ∥v∥=1

其中 ∥ v ∥ \|\mathbf{v}\| ∥v∥ 表示向量的欧几里得长度,定义为:
∥ v ∥ = v 1 2 + v 2 2 + ⋯ + v n 2 \|\mathbf{v}\| = \sqrt{v_1^2 + v_2^2 + \cdots + v_n^2} ∥v∥=v12+v22+⋯+vn2

对于一个向量 v \mathbf{v} v 来说,如果它不是单位向量,则可以通过将它除以它的模来将其标准化为单位向量:
v ^ = v ∥ v ∥ \hat{\mathbf{v}} = \frac{\mathbf{v}}{\|\mathbf{v}\|} v^=∥v∥v

其中, v ^ \hat{\mathbf{v}} v^ 是向量 v \mathbf{v} v 的单位向量。

举例说明:

1. 二维空间的单位向量:

在二维空间(平面)中,一个常见的单位向量是:
v = [ 1 0 ] \mathbf{v} = \begin{bmatrix} 1 \\ 0 \end{bmatrix} v=[10]

  • 这个向量在 x x x 轴上,并且它的长度为 1:
    ∥ v ∥ = 1 2 + 0 2 = 1 \|\mathbf{v}\| = \sqrt{1^2 + 0^2} = 1 ∥v∥=12+02 =1

另一个二维单位向量例子:
v = [ 1 2 1 2 ] \mathbf{v} = \begin{bmatrix} \frac{1}{\sqrt{2}} \\ \frac{1}{\sqrt{2}} \end{bmatrix} v=[2 12 1]

  • 这个向量与 x x x 轴正方向形成 45 度角,它的长度为:
    ∥ v ∥ = ( 1 2 ) 2 + ( 1 2 ) 2 = 1 2 + 1 2 = 1 = 1 \|\mathbf{v}\| = \sqrt{\left(\frac{1}{\sqrt{2}}\right)^2 + \left(\frac{1}{\sqrt{2}}\right)^2} = \sqrt{\frac{1}{2} + \frac{1}{2}} = \sqrt{1} = 1 ∥v∥=(2 1)2+(2 1)2 =21+21 =1 =1
2. 三维空间的单位向量:

在三维空间中,一个常见的单位向量是:
v = [ 0 0 1 ] \mathbf{v} = \begin{bmatrix} 0 \\ 0 \\ 1 \end{bmatrix} v= 001

  • 这个向量在 z z z 轴方向,并且它的长度为 1:
    ∥ v ∥ = 0 2 + 0 2 + 1 2 = 1 \|\mathbf{v}\| = \sqrt{0^2 + 0^2 + 1^2} = 1 ∥v∥=02+02+12 =1

另一个三维单位向量例子:
v = [ 1 2 1 2 2 2 ] \mathbf{v} = \begin{bmatrix} \frac{1}{2} \\ \frac{1}{2} \\ \frac{\sqrt{2}}{2} \end{bmatrix} v= 212122

这个向量的长度为:
∥ v ∥ = ( 1 2 ) 2 + ( 1 2 ) 2 + ( 2 2 ) 2 = 1 4 + 1 4 + 2 4 = 1 = 1 \|\mathbf{v}\| = \sqrt{\left(\frac{1}{2}\right)^2 + \left(\frac{1}{2}\right)^2 + \left(\frac{\sqrt{2}}{2}\right)^2} = \sqrt{\frac{1}{4} + \frac{1}{4} + \frac{2}{4}} = \sqrt{1} = 1 ∥v∥=(21)2+(21)2+(22 )2 =41+41+42 =1 =1

3. 任意向量标准化为单位向量:

假设有一个二维向量:
v = [ 3 4 ] \mathbf{v} = \begin{bmatrix} 3 \\ 4 \end{bmatrix} v=[34]

这个向量的长度为:
∥ v ∥ = 3 2 + 4 2 = 9 + 16 = 25 = 5 \|\mathbf{v}\| = \sqrt{3^2 + 4^2} = \sqrt{9 + 16} = \sqrt{25} = 5 ∥v∥=32+42 =9+16 =25 =5

我们可以将它标准化为单位向量 v ^ \hat{\mathbf{v}} v^:
v ^ = 1 5 [ 3 4 ] = [ 3 5 4 5 ] \hat{\mathbf{v}} = \frac{1}{5} \begin{bmatrix} 3 \\ 4 \end{bmatrix} = \begin{bmatrix} \frac{3}{5} \\ \frac{4}{5} \end{bmatrix} v^=51[34]=[5354]

验证其长度:
∥ v ^ ∥ = ( 3 5 ) 2 + ( 4 5 ) 2 = 9 25 + 16 25 = 25 25 = 1 \|\hat{\mathbf{v}}\| = \sqrt{\left(\frac{3}{5}\right)^2 + \left(\frac{4}{5}\right)^2} = \sqrt{\frac{9}{25} + \frac{16}{25}} = \sqrt{\frac{25}{25}} = 1 ∥v^∥=(53)2+(54)2 =259+2516 =2525 =1

所以,单位向量 v ^ = [ 3 5 4 5 ] \hat{\mathbf{v}} = \begin{bmatrix} \frac{3}{5} \\ \frac{4}{5} \end{bmatrix} v^=[5354] 确实是长度为 1 的向量。

总结:

  • 单位向量是长度为 1 的向量,通常用于表示方向。
  • 任何非零向量都可以通过将其除以自身的长度来标准化为单位向量。
  • 在几何和物理学中,单位向量常用于表示物体的方向,而忽略其大小。
相关推荐
Jack_pirate7 分钟前
深度学习中的特征到底是什么?
人工智能·深度学习
微凉的衣柜21 分钟前
微软在AI时代的战略布局和挑战
人工智能·深度学习·microsoft
GocNeverGiveUp35 分钟前
机器学习1-简单神经网络
人工智能·机器学习
Schwertlilien37 分钟前
图像处理-Ch2-空间域的图像增强
人工智能
智慧化智能化数字化方案1 小时前
深入解读数据资产化实践指南(2024年)
大数据·人工智能·数据资产管理·数据资产入表·数据资产化实践指南
哦哦~9211 小时前
深度学习驱动的油气开发技术与应用
大数据·人工智能·深度学习·学习
智慧化智能化数字化方案1 小时前
120页PPT讲解ChatGPT如何与财务数字化转型的业财融合
人工智能·chatgpt
云云3212 小时前
亚矩阵云手机
线性代数·智能手机·矩阵
矩阵推荐官hy147622 小时前
短视频矩阵系统种类繁多,应该如何对比选择?
人工智能·python·矩阵·流量运营
lshzdq2 小时前
【机器人】机械臂轨迹和转矩控制对比
人工智能·算法·机器人